DeepGMR：学习隐高斯混合模型用于配准
计算机视觉与模式识别
2020-08-21 v1
摘要
点云配准是三维计算机视觉、图形学与机器人学中的基本问题。过去几十年中，现有配准算法在大变换、噪声和时间约束情形下表现不佳。本文中，我们提出 Deep Gaussian Mixture Registration (DeepGMR)，这是首个明确利用概率配准范式的基于学习的配准方法，其将配准表述为对两个概率分布之间 KL 散度的最小化，这两个分布被建模为高斯混合模型。我们设计了一个神经网络，提取原始点云与高斯混合模型（GMM）参数之间的位姿不变对应关系，以及两个可微计算模块，从匹配的 GMM 参数中恢复最优变换。该构造使网络学习一个 SE(3)-不变特征空间，产生一种实时的、可泛化的且对噪声鲁棒的全局配准方法。在合成与真实世界数据上，与最先进（state-of-the-art）的基于几何和基于学习的配准方法相比，我们提出的方法展现出更优的性能。
引用
@article{arxiv.2008.09088,
title = {DeepGMR: Learning Latent Gaussian Mixture Models for Registration},
author = {Wentao Yuan and Ben Eckart and Kihwan Kim and Varun Jampani and Dieter Fox and Jan Kautz},
journal= {arXiv preprint arXiv:2008.09088},
year = {2020}
}
备注
ECCV 2020 spotlight